Facial Photograph–Based Detection of Dermatochalasis and Assessment of Blepharoplasty Necessity: A Deep Learning–Assisted Approach

Seit Jahrzehnten beruhte die Entscheidung, eine Operation am Oberlid durchzuführen, stark auf dem Auge eines Arztes und der Beschreibung der Symptome durch den Patienten. Die betreffende Erkrankung, bekannt als Dermatochalasis, ist der medizinische Fachbegriff für überschüssige, hängende Haut am Oberlid. Wenn Menschen altern, verlieren die Haut und das darunter liegende Gewebe um die Augen an Elastizität, ähnlich wie ein Gummiband, das zu oft gedehnt wurde. Diese lose Haut kann über die Wimpern hängen, ein Schweregefühl erzeugen, visuelle Ermüdung verursachen und in einigen Fällen die Sicht der Person im oberen Bereich physisch blockieren. Während die Lösung ein gängiger chirurgischer Eingriff namens Blepharoplastik ist, bei dem die überschüssige Haut entfernt wird, war die Bestimmung, wer genau sie benötigt, traditionell ein subjektiver Prozess. Ärzte messen spezifische Abstände im Gesicht und beurteilen das Ausmaß des Absinkens, aber diese Messungen können von einem Spezialisten zum anderen variieren, und die Grenze zwischen „einer Operation bedürftig sein“ und „nur müde aussehen“ ist oft eine Frage des persönlichen Urteils als vielmehr eine feste Regel.

In einer kürzlich durchgeführten Studie versuchten Forscher herauszufinden, ob ein Computer diese Entscheidung konsistenter treffen kann. Sie trainierten eine Art künstliche Intelligenz, speziell ein Deep-Learning-System, um standardisierte, frontal aufgenommene Fotografien von Gesichtern von Menschen zu analysieren. Das Ziel war einfach: Könnte der Computer auf ein Foto schauen und den Unterschied zwischen einem Erwachsenen mit der lose werdenden Haut, die eine Operation erfordert, und einem Erwachsenen mit normalen, gesunden Augenlidern erkennen? Die Forscher sammelten Bilder aus zwei Quellen. Eine Gruppe bestand aus 190 Patienten, die eine Augenklinik in der Türkei besucht hatten und bereits von einem Chirurgen als Kandidaten für den Eingriff eingestuft worden waren. Die andere Gruppe bestand aus 190 gesunden Erwachsenen, deren Fotos aus einer öffentlichen Bilddatenbank stammten und die ausgewählt wurden, weil sie keine Anzeichen von hängenden Augenlidern zeigten. Alle Fotos wurden unter ähnlichen Bedingungen aufgenommen, wobei die Probanden geradeaus blickten und einen neutralen Gesichtsausdruck zeigten, was die Art und Weise nachahmte, wie ein Arzt während eines Routinebesuchs in der Praxis ein Bild aufnehmen würde.

Das Team testete drei verschiedene Computermodelle, die jeweils darauf ausgelegt waren, Muster in Bildern zu erkennen. Diesen Modellen wurden die Fotografien vorgelegt, und sie wurden gebeten, sie in zwei Stapel zu sortieren: solche, die eine Operation benötigen, und solche, die keine benötigen. Die Ergebnisse waren bemerkenswert konsistent. Über alle verschiedenen getesteten Computermodelle hinweg identifizierten die Systeme die Patienten, die eine Operation benötigten, nahezu jedes Mal korrekt. Tatsächlich übersah der Computer keinen einzigen Patienten, der die Prozedur tatsächlich erforderte; er identifizierte alle 190 von ihnen korrekt. Er identifizierte auch die große Mehrheit der gesunden Personen korrekt und erkannte, dass sie keine Operation benötigten, in etwa 98 von 100 Fällen. Der Computer rät nicht nur, sondern er lernte, die spezifischen visuellen Anzeichen von loser Haut zu erkennen, auf die menschliche Ärzte achten, und tat dies mit einer Genauigkeit, die der besten menschlichen Experten entsprach.

Eine der wichtigsten Erkenntnisse der Studie war nicht nur, dass der Computer funktionierte, sondern wie effizient er arbeitete. Die Forscher verglichen drei verschiedene Arten von Computerarchitekturen, die im Wesentlichen die Blaupausen dafür sind, wie die Maschine Informationen verarbeitet. Sie fanden heraus, dass alle drei Blaupausen die Aufgabe mit demselben hohen Maß an Genauigkeit bewältigten. Sie benötigten jedoch nicht alle gleich viel Zeit dafür. Eines der Modelle, ein leichteres und einfacheres Design, schloss die Aufgabe signifikant schneller ab als die anderen. Dies ist ein entscheidendes Detail, da es darauf hindeutet, dass ein solches System schließlich auf einem Smartphone oder einem tragbaren Gerät in einer Arztpraxis laufen könnte, anstatt einen massiven, teuren Supercomputer zu erfordern. Die Studie zeigte, dass man nicht den komplexesten oder leistungsstärksten Computer benötigt, um das richtige Ergebnis zu erzielen; ein einfacheres, schnelleres Werkzeug kann dasselbe Resultat erreichen.

Die Forscher betonten sorgfältig, dass der Computer zwar exzellent darin war, die visuellen Anzeichen von loser Haut zu erkennen, er jedoch nicht den Arzt ersetzt. Das System wurde darauf trainiert, den Zustand basierend darauf zu erkennen, wie menschliche Chirurgen die Patienten bereits klassifiziert hatten. Es lernte, das zu sehen, was die Experten sahen. Die Studie hob auch hervor, dass die verwendeten Fotos in einer kontrollierten Umgebung aufgenommen wurden und der Computer sich anders verhalten könnte, wenn die Fotos bei schlechten Lichtverhältnissen oder aus einem schrägen Winkel aufgenommen worden wären. Die Autoren schlagen vor, dass diese Technologie als hilfreiche Zweitmeinung oder als Screening-Instrument dienen könnte, um Ärzten zu helfen, zu priorisieren, welche Patienten sie zuerst behandeln sollen, aber sie ist noch nicht der endgültige Entscheidungsträger. Die Arbeit beweist, dass eine Maschine lernen kann, die subtilen Zeichen alternder Haut um die Augen anhand eines einfachen Fotos zu lesen, und bietet so eine neue, objektive Möglichkeit, das menschliche Urteilsvermögen zu unterstützen, das die Augenchirurgie seit Generationen leitet.